1绪论
1.1外部CT重建与DR图像分割加速的重要意义
计算机断层成像的目的是获取研究对象内部的剖面图像，用来观测物体内部结构、性质等。该技术在医学上主要用来获取患者体内病变区域的状况;在工业上主要用于研究物体内部结构、获得物体的内部缺陷等。计算机断层成像具有非破坏性、精确度高、速度快、可以进行三维立体观察等良好性质，所以广泛应用于医学、工业无损检测、重要行业和部门的安检等领域。
从投影数据重建高质量的图像，需要三个条件:首先高信噪比的采集数据;其次采集数据是完备的;最后，稳定的数值重建算法。在这三个条件中，第三个条件比较容易满足，前两个条件由于受到射线源稳定性、被扫描工件的尺寸和形状、探测器的尺寸与灵敏度、以及扫描工作场地的空间限制，在很多条件下难以满足。
截断数据重建问题是指由不完备的cT投影数据重建出物体的局部或整体图像。在二维cT中，常见的截断数据重建问题有内问题、外问题、有限角问题在有限角问题中，又可以分为角度受限型和角度稀疏型两种情况。在内问题中，由测量数据重建视场区域内的不连续点是充分的，但是不能恢复所有的点，当FOV(Field of View)区域完全位于物体内部时没有唯一解。由于物体内部的部分信息预先可以获得，所以很多学者研究结合先验信息的图像重建方法。内部问题经证明可以在结合先验信息的情况下得到唯一解。理想条件下，外问题和角度受限型有限角问题存在二维逆Radon变换，且有唯一解，当含有噪声时，解不稳定。除了上面三种典型截断投影数据重建问题，对于长物体，其投影数据在沿着物体的方向往往也是截断的。
重建高质量图像，算法选择非常重要。在众多重建算法中，迭代重建算法以其良好的数据适应性—较好的抑制噪声能力、稳定的数值计算性能、可引入先验信息;并且具有较好伪影抑制能力、重建图像质量好;适用范围广。该算法可以用于各类扫描方式，如平行束扫描、扇形束扫描、锥形束扫描、半扫描;广泛应用于非完备数据的图像重建中。然而由于算法的内在性质，其庞大的计算量严重制约了它应用领域的范围，现在主要处于实验室阶段。研究迭代算法的并行加速方案，推进其拓宽应用范围，具有较好的现实和理论意义。
部分工业铸件由于工艺造成的原因，会存在一定的缺陷在铸件中。如果可以确定缺陷的尺寸、形状、位置等性质，就可以稳定工艺流程;提高产品质量;验证铸件是否符合设计规定的验收标准。在工件生产过程，由于受到生产设备与生产技术影响，产品中难免会存在气孔、夹杂、疏松、裂纹等工艺缺陷。这些产品中的缺陷会一定程度的影响产品的质量、寿命、性能，所以，正确提取和测量出缺陷信息对于缺陷判定、评估、修补及后续处理具有重要意义。
无损检测技术是工业产品质量控制的重要手段。射线无损检测技术是一种具有直接、高效、直观和便于定量判断优点的检测方法，在工业产品质量控制中最为常用。最近发展起来的数字式X射线实时成像技术((Digital Radiography，DR技术)因为具有扫描速度快、操作简捷、容易存储的优点而迅速得到了无损检测人员的青睐，应用范围十分广泛。DR系统获取的检测结果数据，通过缺陷识别技术，可以较好地判断出缺陷的许多参数，由此可以对缺陷进行识别与测量工作，为工业产品的质量检测提供客观、准确的依据。DR图像的成像质量主要受射线源、探测器与检测环境的影响，这些因素会造成图像数据对比度低、缺陷边界模糊、图像信噪比低、背景亮度不均匀等问题。这些不足给计算机自动识别与检测产品缺陷带来困难，普通的图像分割技术不能根据这种图像有效地确定出待检测物体中的缺陷区域。
使用图像分割技术分割工业产品的DR图像，来自动确定产品中的检测目标是自动检测技术的一个方面，所以图像分割技术在DR图像检测中的成功应用，对工业工件内部缺陷的计算机自动检测识别，具有重要的实际意义。与工业CT图像不同，工业DR图像会存在影像重叠、而且一些工业工件DR图像中的缺陷部分(如工件内部的气孔、裂纹、疏松、夹杂等缺陷)与正常部分的灰度对比不够强烈，由上原因，普通的图像分割方案不适用于工业DR图像的缺陷检测，以水平集为基础改进的CV图像分割方法较为适合对工业DR图像缺陷进行分割检测，不足之处是计算量大，计算机自动分割的实时性得不到满足。
CV图像分割模型是改进的曲线演化模型，该模型运动的动力，来源于曲线自身的内能和图像数据提供的外能，当这两种能量达到平衡时，演化曲线到达目标区域。曲线演化的数学基础是水平集理论，水平集方法的使用，使得该图像分割模型具有分割演化过程灵活，可以获得连续的目标边缘。该模型自从被提出以后，受到了相关领域研究人员的高度关注，已经在图像处理与计算机视觉中被大量应用。所以，加速CV图像分割模型，来提高对DR图像的缺陷检测速度，准确地定位出缺陷区域，使其应用于工业产品的自动化缺陷定位与测量，具有较大的实际意义。
1.2国内外研究现状
现阶段CT图像重建加速方法有两大类:对算法改进加速重建、利用硬件加速图像重建。算法加速图像重建主要是利用数学计算技巧或者改进图像重建算法.
2.2 GPU 基于CT 重建的......... 15-17
2.3 CUDA：可伸缩并行......... 17-18
2.4 GPU：高度并行化、......... 18-22
2.4.1 线程层次结......... 18-19
2.4.2 存储器层......... 19-21
2.4.3 主机和设备......... 21-22
2.5 具有芯片共享存储器......... 22-24
2.6 并行程序......... 24-25
2.7 本章总结......... 25-26
3 CT 重建基础......... 26-40
3.1 引言 26-27
3.2 CT 成像系统扫描方式......... 27-30
3.3 CT 成像的数学......... 30
3.4 截断投影数据CT ......... 30-31
3.5 三类投影数据截断......... 31-33
3.6 CT 系统的离散化......... 33-36
3.7 迭代重建算法......... 36-39
3.7.1 ART 型迭......... 36-37
3.7.2 TV 正则化......... 37-38
3.7.3 TV 最小化方法的......... 38-39
3.8 本章小结......... 39-40
4 曲线（面）演化理论......... 40-48
4.1 引言......... 40
4.2 曲线演化原理......... 40-42
4.3 水平集方法......... 42
4.4 水平集的理论......... 42-44
4.5 CV 模型原理......... 44
4.6 CV 模型......... 44-46
4.7 CV 模型的数值......... 46-47
4.8 本章小结......... 47-48
总结
外部CT重建由于实际检测的需要在工业CT中越来越重要，但是外部CT重建算法计算量巨大，重建非常耗时，难以满足实际应用的要求。为了满足实际需求，本文研究改进了外部CT重建TVM-SA-POCS算法，以适应CUDA架构，利用CUDA加速该算法。本文的主要研究内容如下:
①改进CV图像分割算法以适应CUDA架构
CUDA以数据级并行和基于共享内存技术的并行计算架构，为了能够充分利用其硬件的性能，作者对CV图像分割算法进行修改，并且在细节上做具体处理，使得CV图像分割充分利用CUDA并行计算能力，提高该方法的图像分割速度。实验结果表明图像分割加速效果明显，分割结果与CPU的串行方法相同。